Thema des Tages: Nachfrage nach kritischen Mineralien durch KI-Rechenzentren

Das Aufkommen generativer künstlicher Intelligenz (KI) stellt einen tiefgreifenden Paradigmenwechsel in der Rechenleistung dar, der auf dem exponentiellen Ausbau großflächiger Rechenzentren mit hoher Leistungsdichte beruht. Während sich die öffentliche Debatte über KI häufig auf algorithmische Fortschritte oder den erheblichen Energieverbrauch der Branche konzentriert, bleiben die materiellen Grundlagen dieser Infrastruktur in entscheidendem Maße unbeleuchtet. Diese riesigen Anlagen, die die globale KI-Rechenleistung tragen, haben sich zu starken neuen Nachfragetreibern für eine Reihe kritischer Mineralien entwickelt und verknüpfen die digitale Wirtschaft in bislang unbekanntem Ausmaß mit der Rohstoffgewinnung und der verarbeitenden Industrie. Von Kupfer in der Stromverteilung mit hoher Leistungsdichte über kornorientiertes Elektroband in Transformatorkernen bis zu Lithium, Kobalt und Nickel in Batterien zur Netzstabilisierung ist der Materialbedarf der KI-Infrastruktur sowohl enorm als auch nur unzureichend erfasst. Die Internationale Energieagentur hat wertvolle, erstmalige Schätzungen zum Mineralienbedarf von Rechenzentren vorgelegt, doch die Mineralienintensität der Branche auf Komponentenebene ist noch weitgehend unquantifiziert. Diese analytische Lücke hat erhebliche Folgen für die Rohstoffsicherheit, die Lieferkettenplanung und die Investitionsstrategie, da das Wachstum der KI inzwischen auf mehrere Engpässe bei kritischen Materialien trifft, die bereits durch Elektrifizierung und Verteidigungsanwendungen unter Druck stehen. Um diese Lücke zu schließen, hat das Payne Institute der Colorado School of Mines ein dynamisches Bottom-up-Nachfragemodell entwickelt, das den physischen Ausbau von KI-Rechenzentren in detaillierte Prognosen des Mineralienbedarfs für 20 Materialien über einen Zeitraum von elf Jahren (2025 bis 2035) übersetzt. Die neuere Forschung hat wichtige Fortschritte bei der Bestimmung der geopolitischen Zusammenhänge, der aggregierten Marktgröße und des Wettbewerbsumfelds des Materialbedarfs von KI erzielt; diese Arbeit baut auf dieser jungen Literatur auf und erweitert sie in drei konkreten methodischen Richtungen. Erstens überträgt sie den für saubere Energietechnologien entwickelten Analyseansatz erstmals auf digitale Infrastruktur und führt Faktoren der Mineralienintensität auf Komponentenebene ein (kg/MW und kg/MWh). Zweitens differenziert der Rahmen den Mineralienbedarf nach Rechenzentrumstypen und unterscheidet neue KI-Trainingsanlagen von neuen KI-Inferenzanlagen sowie vom Altbestand vor 2025, um deren materiell unterschiedliche Leistungsdichten, Kühlarchitekturen und Anlagenprofile zu erfassen. Drittens behandelt das Modell die Technologieeinführung als zeitabhängigen Parameter und verknüpft Veränderungen bei Batteriechemie, Speichermedientechnologie und Workload-Zusammensetzung ausdrücklich mit ihren nachgelagerten Auswirkungen auf den Mineralienbedarf. Diese mehrschichtige Struktur erlaubt es dem Modell, ein Rechenzentrum in seine drei funktional unterschiedlichen und materialintensiven Treiber (Rechenleistung, Wärmemanagement und Stromversorgungsinfrastruktur) aufzugliedern und so ein dynamisches Maß für den Materialbedarf von KI zu erzeugen. Jedes der 20 in der Analyse berücksichtigten Minerale wird seinen physischen Rechenzentrumskomponenten und dem entsprechenden Nachfragetreiber zugeordnet. Das Papier betrachtet das Wachstum von KI-Rechenzentren als rohstoffpolitisches Problem, indem es den Ausbau von Rechenzentren mit der Nachfrage nach 20 Mineralien über drei Infrastrukturebenen hinweg verknüpft: Netzübertragung und -verteilung, Stromversorgung und Kühlung der Anlagen sowie Rechenleistung auf Serverebene. Es zeigt, dass der überwiegende Teil des Mineralienbedarfs aus der Stromversorgungsinfrastruktur und dem Netzausbau stammt und nicht aus Halbleitern. Anschließend unterscheidet es zwischen Rohtonnage und der Verfügbarkeit verarbeiteter Formen und stellt fest, dass sich das Versorgungsrisiko in Verarbeitungsengpässen für bestimmte Mineralienformen konzentriert und nicht in den Rohstoffmengen. Die KI-Infrastruktur stellt damit eine neue Konkurrenz um Materialien dar, die bereits durch Netzmodernisierung und Elektrifizierung unter Druck stehen. Das Modell zeigt, dass KI-Rechenzentren in erster Linie eine Frage der Infrastrukturmaterialien und nicht der Halbleitermaterialien sind. Auf Kupfer entfallen rund 82 bis 83 % der insgesamt modellierten Masse. Auf Netzübertragung und -verteilung entfallen 64 % der gesamten Kupfernachfrage.